综述：推进MRI重建：深度学习与压缩感知融合的系统性回顾

这篇综述系统探讨了深度学习（DL）与压缩感知（CS）技术在磁共振成像（MRI）重建中的协同应用，重点分析了端到端网络、展开优化和联邦学习等方法如何显著提升图像质量并缩短采集时间（加速因子R=2-4），为医学影像领域提供了创新解决方案。

　　

引言

磁共振成像（MRI）作为非侵入性诊断工具，虽能提供高分辨率软组织图像，却面临扫描时间长（导致运动伪影）和全球设备短缺（仅7台/百万人口）的双重挑战。传统压缩感知（CS）通过稀疏变换和迭代优化（如ISTA算法）从欠采样k空间数据中重建图像，但受限于高频信息丢失和计算耗时。深度学习（DL）的引入开创了数据驱动的新范式——卷积神经网络（ConvNets）可直接学习欠采样到全采样图像的映射，在PSNR和SSIM指标上超越传统方法。

关键技术突破

并行成像（PI）
基于多线圈空间灵敏度（如GRAPPA和SENSE技术），PI通过几何因子（g-factor）量化噪声放大效应，但加速度因子R>4时图像质量骤降。压缩感知则利用泊松圆盘采样等策略，通过?₁范数最小化（公式：argmin_x∥y?E_Ωx∥₂?β∥τ(x)∥₁）实现2.5-3倍加速。而DL-CS融合模型通过展开迭代算法（如TV正则化层）将物理约束嵌入网络，在fastMRI竞赛中展现8倍加速潜力。

前沿方法分类

1. 端到端模型：U-Net和生成对抗网络（GAN）直接输出重建图像，但对训练数据量敏感；
2. 展开优化：将ISTA迭代映射为神经网络层，兼具理论保障与数据适应性；
3. 联邦学习：跨机构协作训练模型，解决医疗数据隐私难题。

挑战与展望

当前瓶颈包括动态成像中的时空稀疏性建模，以及3D非笛卡尔采样（如黄金角径向轨迹）的运动鲁棒性优化。未来方向可能聚焦视觉-语言模型（VLM）的零样本重建能力，以及硬件感知的实时重建系统开发。

（注：全文严格基于原文实验数据与结论，未新增观点）